Génétique

Le diagnostic génétique des maladies rares a été révolutionné par les nouvelles technologies de séquençage haut débit (NGS) qui génèrent des données massives dont l’utilisation fait apparaître de nouvelles problématiques. Dans ce contexte, le MDLab intervient dans :

  • l’adaptation du débit et des capacités de stockage nécessaires au traitement des données massives issues du NGS incluant le Whole Genome Sequencing (WGS) ;
  • le développement de pipelines et d’outils informatiques pour l’analyse des données ;
  • la constitution de bases de données clinico-génomiques interopérables avec les bases de données européennes ;
  • la réalisation de 2 projets de recherche concernant le croisement de données multi-OMICs d’une part, et la détermination de la fraction d’ADN fœtal circulant dans le sang maternel pour le dépistage non invasif de la trisomie 21 par NGS, d’autre part.

Le projet « Génétique » comprend actuellement les deux sous-projets suivants :

GenomeMixer et NiPTUNE : de nouveaux outils bio-informatiques pour améliorer le dépistage prénatal non invasif des aneuploïdies fœtales

Introduction. La découverte d'ADN fœtal circulant librement dans le sang maternel a conduit au développement de techniques de tests prénataux non invasifs (NIPT) pour la détection d'aberrations fœtales telles que la trisomie 21. Le NIPT est basé sur l'analyse par séquençage massivement parallèle de petits fragments d'ADN, circulant librement dans le sang maternel. Sa fiabilité dépend fortement de la présence dans le sang maternel d'une quantité suffisante d'ADN fœtal (ff pour fraction fœtal) et d'une profondeur de séquençage suffisante (sd). Des outils bio-informatiques ont été développés pour déterminer le ff mais il n'existe actuellement aucune méthode de référence dans la pratique clinique.
 

Matériels et méthodes. Nous avons développé GenomeMixer, une approche pour estimer les intervalles de confiance dans la prédiction des aneuploïdies, utilisable par tous les laboratoires de diagnostic, et NiPTUNE, un progiciel pour automatiser l'analyse NIPT. GenomeMixer crée des données de séquençage synthétique en mélangeant les lectures de femmes enceintes atteintes d'aneuploïdies fœtales et de femmes non enceintes afin de déterminer le seuil de ff et de sd minimum nécessaire pour détecter les aneuploïdies de manière fiable. Le pipeline Niptune est composé de plusieurs modules, dont le contrôle qualité, l'estimation de la ff par différentes méthodes et la prédiction des aneuploïdies.
 

Résultats. Nous avons testé nos outils sur 2 cohortes différentes composées de 377 et 1055 échantillons comprenant respectivement 10 et 24 aneuploïdies. GenomeMixer a permis de déterminer les seuils minimaux de ff et de sd. NiPTUNE a été validé grâce à l'étude rétrospective réalisée sur les cohortes.
 

Conclusions. Nous avons développé des outils bio-informatiques pour permettre à chaque laboratoire de diagnostic de déterminer les intervalles de confiance de ff et de sd nécessaires à un NIPT fiable.

Publications

F. Simões, C. Bouveyron, D. Piga, et al. Cardiac dyspnea risk zones in the South of France identified by geo-pollution trends study. Scientific Reports 12, 1900 (2022). https://doi.org/10.1038/s41598-022-05827-2.

C. Bouveyron, J. Jacques, A. Schmutz, F. Simões and S. Bottini, Co-Clustering of Multivariate Functional Data for the Analysis of Air Pollution in the South of France. The Annals of Applied Statistics, in press, 2021
.
 

MitoIntegrOMICS : une approche multi-OMICS intégrée pour accroître la capacité de diagnostic des maladies mitochondriales

Les maladies mitochondriales (MD) sont des troubles rares causées par une déficience de la chaîne respiratoire mitochondriale, qui fournit l'énergie dans chaque cellule. Les maladies mitochondriales sont causées par des altérations (variantes) des gènes impliqués dans les fonctions mitochondriales. Le diagnostic des maladies mitochondriales est basé sur l'identification du/des gène/s responsable/s de la maladie, ce qui permettra de proposer un conseil génétique et un diagnostic prénatal, d'envisager des approches thérapeutiques et d'améliorer les soins aux patients. Aujourd'hui, les technologies utilisées pour détecter les variantes causales sont loin d'être complètes, allant de 25 à 50%.
 

Pour répondre à ces besoins, le MDLab propose de réunir trois domaines différents : la médecine, la bioinformatique et l'apprentissage automatique, afin de mettre en place une approche multi-OMICS intégrée pour identifier de nouvelles variantes causales. Nous prévoyons que ce projet contribuera à l'introduction de nouveaux outils de diagnostic afin de réduire le nombre de patients dans une impasse diagnostique. Cette étude définira les étapes du transfert de l'utilisation conjointe des technologies multi-OMICS de ces domaines de recherche vers des situations de diagnostic. Elle peut être divisée en trois grandes étapes :
 

1) réalisation d'une analyse bioinformatique des données multi-OMICS ;
2) développement d'une approche intégrative multi-OMICS ;
3) mise en œuvre d'un nouvel algorithme de hiérarchisation des variantes de l'IA.
 

Ce projet permettra de développer de nouveaux algorithmes qui trouveront une application non seulement dans le diagnostic de la médecine générale, mais aussi dans le traitement d'autres maladies génétiques et du cancer, et permettra le développement d'une médecine personnalisée pour améliorer les soins de santé des patients.

Participants au projet : Pr Sylvie Bannwarth (CHU Nice, IRCAN UCA), Dr John Boudjarane (CHU Timone, Marseille), Dr Véronique Duboc (CHU Nice, IRCAN UCA), Pr Véronique Paquis-Flucklinger (CHU Nice, IRCAN UCA), Pr Vincent Procaccio (CHU Angers), Dr Cécile Rouzier (CHU Nice, IRCAN UCA), Dr Samira Saadi (CHU Nice, IRCAN UCA).